基于深度信念网络的语音情感识别的研究

针对语音情感识别中的特征提取的问题,提出了一种新的特征提取方式,利用深度神经网络(DNN)中的深度信念网络(DBNs)自动提取语音信号中情感特征.通过训练一个5层的深度信念网络提取语音情感特征,把连续多帧的语音并在一起,构成一个高维的特征,把深度信念网络训练完的特征作为非线性支持向量机(SVM)分类器的输入端,最终建立一个语音情感识别多分类器系统.其识别率为86.5%比传统的基于提取句子的时间构造、振幅构造、基频构造等特征的方法提高7%.     

深度信念网络研究综述

深度学习作为新兴的一种多层神经网络学习算法,具有优异的特征学习能力,引起了机器领域的广泛关注。深度信念网络是深度学习中重要模型,首先介绍深度学习起源,后分析深度信念网络中的基本模块及其训练方法,再介绍深度信念网络的基本结构及其学习过程,最后总结当前深度信念网络当前存在的问题。     

基于半监督深度信念网络的图像分类算法研究

近年来,深度学习在图像、语音、视频等非结构化数据中获得了成功的应用,已成为机器学习和数据挖掘领域的研究热点。作为一种监督学习模型,成功的深度学习应用往往要求较大的高质量的训练集。基于此,研究了多个受限波尔兹曼机组成的深度信念网络,结合半监督学习的思想,使用较小的训练集提高深度网络模型的分类准确性。分别采用了Knn,SVM和pHash 3种方法来学习非标示数据集,实验结果表明半监督深度信念网络比传统多层受限波尔兹曼机在图像分类准确率方面提高了约3%。     

基于深度置信网络的地表分类算法

复杂地形环境下的数据特征维度往往较大以及数据不平衡,传统地形识别研究使用的浅层算法如Softmax、支持向量机（Support Vector Machine,SVM）等面对复杂地形时表征能力下降分类精度不理想。论文在研究了传统方法和深度学习理论后,使用深度置信网络（Deep Belief Network,DBN）与Softmax进行有效结合后应用于地形识别研究,利用中心对称局部二值模式与颜色直方图结合获得特征,实验证明论文提出的算法比传统算法展现了更好的分类效果。     

结合深度信念网络与支持向量机的地表分类算法

由于支持向量机(Support Vector Machine,SVM)在高维度、非线性等情况下仍具有极高精确性故而被广泛应用于地形识别领域研究。在复杂的地形环境以及数据的不平衡等环境下,SVM可能会因为缺少较强的鲁棒性导致分类结果并不理想。论文以提高复杂地形环境下分类算法精确度为目的,在研究了深度信念网络(Deep Belief Network,DBN)[1]与支持向量机(Support Vector Machine,SVM)的基本理论并进行有效结合后应用于地形识别领域。算法大致为将地形图片通过初始构建的深度信念网络结构对训练集进行训练进而优化重构网络结构,并通过测试集验证网络结构的有效性。在OUTEX数据集上的实验结果表明该算法对比地形分类算法中的SVM、GEPSVM等算法有更高的分类精确性。     

基于深度信念网络的高维传感器数据异常检测算法

越来越多的物联网数据呈现高维度特征,针对目前传感器数据异常检测算法对高维数据在线检测的困难,提出一种基于深度信念网络的高维传感器数据异常检测算法。首先利用深度信念网络对高维数据进行特征提取,降低原始数据维度,再对降维后的数据进行异常检测。在检测过程中将QSSVM(Quarter-Sphere Support Vector Machine)与滑动窗口模型相结合,实现了在线式的异常检测。通过在四组真实传感器数据上的大量实验,与先前的异常检测算法做了对比,实验结果表明,新算法相对于OCSVM(One-Class Support Vector Machine)仅利用原有算法50%的计算时间,将检测准确度提高了约20%。     

浅析深度信念网络模型

深度信念网络(Deep Belief Network, DBN)是深度学习模型之一,是实现人工智能的重要模型.它是由多个受限玻尔兹曼机(RBM)堆加而成.一般在模型的最后一层加入分类器模型进行分类.目前已在生物特征识别、语音识别、机器故障诊断、疾病诊断等诸多领域得到广泛应用.鉴于深度信念网络模型的优点及其强大的自主学习...     

基于深度信念网络的文本分类算法

随着网络的迅猛发展,文本分类成为处理和组织大量文档数据的关键技术.目前已经有许多不同类型的神经网络应用于文本分类,并且取得良好的效果.但是,大部分模型仅采用文档的少量特征作为输入,没有考虑到足够的信息量;而当考虑到足够的特征时,又会发生维数灾难,导致模型难以训练或者训练时间大幅增加.利用深度信念网络从文本中抽取特征,并利用softmax回归分类器对抽取后的特征分类.深度信念网络不仅具有强大的学习能力,同时还能从高维的原始特征中抽取低维度高度可区分的低维特征,因此利用深度信念网络来对文本分类,不仅能够考虑到文档的足够的信息量,而且能够快速的训练.并且实验结果也表明利用深度信念网络实现文本分类的性能很好.     

基于深度信念网络的在线视频热度预测

针对在线视频热度预测研究中分类及预测效果欠佳,规则化较多和较缺乏实践检验等问题,通过对实际在线视频服务系统所采集的海量数据研究,提出一种基于深度信念网络（Deep Belief Networks,DBNs）的视频热度预测方法。首先,结合社交网络的关注度和视频关键词的搜索热度,对影响因子进行了建模和量化处理;其次,根据输入和输出变量确定了DBNs各层网络的结构,优化了网络参数和预测模型;最后,通过在线视频服务商的数据对深度信念网络进行训练,并多次交叉实验对比分析,结果表明基于DBNs方法在视频热度预测上准确率最高79.47%（国内视频）、65.33%（国外视频）,可以为在线视频上映前的投资、宣传以及风险评估提供较全面可靠的参考决策。     

基于深度置信网络的卡尔曼滤波算法改进

卡尔曼滤波是一种应用广泛的基于最小方差的递推式滤波算法,根据一定滤波规则对系统的状态进行估计。采用某种统计量最优方法对噪声和系统模型统计特性的先验知识决定的滤波的性能和估计的准确性进行度量。不精确的先验知识将导致滤波性能的明显下降和发散。采用新息自适应卡尔曼滤波克服标准卡尔曼滤波需要在先验条件下进行估计的缺点,通过深度置信网络对噪声的协方差矩阵做出调整,从而提高滤波性能。     

基于贝叶斯信念网的网络流量分类与识别研究

网络流量分类识别技术是许多网络研究和应用领域的基础,但随着动态端口、端口伪装和信息加密等技术的使用,传统的纯端口识别法已不再有效。提出一种基于贝叶斯信念网的网络流量分类方法,通过使用有向无环图和结点概率表,很好地解决了流属性之间条件独立的问题。对真实网络流量数据的测试结果表明,这种方法具有稳定可靠的分类识别效果。     

基于多级纹理特征的深度信念网络人脸识别算法

为解决人脸特征提取过程中局部特征缺失的问题,借助局部二值模式(LBP)与方向梯度直方图(HOG)提出一种基于多级纹理特征融合的深度信念网络人脸识别算法。以提取局部纹理特征以及边缘纹理特征为出发点,对人脸图像进行三级纹理特征提取。使用MB-LBP提取初级纹理特征;在此基础上进行改进的CS-LBP图像特征提取作为二级纹理特征;使用HOG算子在二级纹理特征上完成三级纹理特征提取。将二级和三级纹理特征直方图顺序串联融合后输入到深度信念网络(DBN)逐层贪婪训练,优化网络参数,并用优化的网络在ORL、YELA人脸标准库中进行测试,识别率均在92%以上。该算法与传统算法(SVM、PCA)相比较拥有更好的人脸识别效果,同时也表明了局部纹理特征的改善为识别过程的特征提取提供强有力的保障,为人脸识别的进一步研究开拓新思路。     

基于双向时间深度卷积网络的中文文本情感分类

普通时间卷积网络对文本进行单向特征提取不能充分捕捉文本特征,对文本的分析能力较弱。提出一种基于双向时间卷积网络(Bi-TCN)的情感分析模型。模型使用单向多层空洞因果卷积结构分别对文本进行前向和后向特征提取,将两个方向的序列特征融合后进行情感分类。研究并分析模型中卷积层数、卷积核大小和空洞因子三个参数对情感分类结果的影响。实验证明,与单向时间卷积网络情感分析模型相比,双向时间卷积网络模型在四个中文情感分析数据集上的准确率分别提高了2.5%、0.25%、2.33%和2.5%。     

一种改进的深度置信网络及其在自然图像分类中的应用

深度置信网络DBN(deep belief network)由受限玻尔兹曼机RBM(restricted Boltzmann machine)堆叠而成。针对RBM只能接受二值输入而导致的信息丢失问题,给出将可视层节点替换为具有高斯噪音的实数节点的解决方法,并且用线性修正节点替代隐层的Sigmoid节点。线性修正单元具有良好的稀疏性,可以很好地提高网络性能。DBN自底向上逐层训练网络,初始化网络的参数。在自然图像数据库中与传统DBN以及BP神经网络做分类性能比较,实验结果表明,改进的DBN的图像平均分类正确率以及时间复杂度都得到了较好的改善。     

基于同步深度监督的多尺度肺结节分类

针对在肺结节分类中容易产生过拟合的问题,提出一种基于同步深度监督的多尺度肺结节分类方法。解决梯度消失问题,最小化分类错误并实现同一框架中同步训练多尺度肺结节图像,提高肺结节分类精确度。改进经典的AlexNet网络,使其更适合肺结节图像分类;将同步深度监督(SDS)策略纳入到AlexNet架构中,向隐藏层提供集成的同步监督;通过多尺度空间金字塔策略提取多尺度肺结节图像特征。实验结果表明,该方法的准确性达到93.68%,且在准确性、敏感度、特异度、ROC曲线下面积值上均优于其他分类方法。     

基于神经网络的心电图检测分类综述

综述基于神经网络的异常心电图诊断的应用,目的是提供神经网络在该方面的详细研究.概述常见的神经网络算法以及心电信号检测分类的过程.通过回顾近三年的相关文献,重点关注不同网络架构的性能表现,诸如准确度、特异性和敏感性等性能指标.讨论当前研究存在的问题,并进行研究展望.     

基于BiGRU深度神经网络的心肌梗死检测

针对目前智能医疗诊断领域的研究现状,结合心电信号的时序性和多导联关联性特点,为降低心肌梗死疾病的误诊率,提出一种基于双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit,BiGRU)和多导联心电图(electrocardiogram,ECG)信号的深度神经网络学习算法。对原始心电信号进行去噪处理,分割成心拍序列;将心拍序列送入深度神经网络训练模型学习分类;采用Physikalisch-Technische Bundesanstalt(PTB)心电数据库验证多导联BiGRU算法。算法对心梗检测的灵敏度为99.93%、特异性为99.72%、准确率为99.89%。实验结果表明,该算法的检测效果明显优于其他文献的检测算法,对提高心肌梗死的正确诊断率具有重要意义。     

基于交互式叠加注意力网络的实体属性情感分类

当上下文中单词的情感对给定属性敏感时,仅通过注意力建模无法解决情感分类性能下降的问题。提出一种基于交互式叠加注意力(Attention-Over-Attention,AOA)网络的属性级情感分类模型。模型在词向量层用BERT代替传统静态词向量表示;用LSTM分别提取属性和上下文中单词的隐藏语义;用AOA网络计算属性和上下文中每个单词的注意力权重;将权重与对应的隐藏语义状态做点积分别得到属性和上下文的最终特征表示,拼接两个特征表示用来分类。研究并分析模型中词向量和属性单独建模对情感分类结果的影响。实验表明,该模型较其他LSTM结合注意力机制的模型在准确率和F1值上都有显著提高。     

叠加去噪自动编码器结合深度神经网络的心电图信号分类方法

针对现有心电图信号分类方法精度较低,模型训练收敛速度较慢的缺点,提出一种基于叠加去噪自动编码器和深度神经网络方法的新型分类方法。该方法采用无监督学习方式,利用带有稀疏约束的叠加去噪自动编码器,实现心电图原始数据的特征学习。基于深度神经网络对信号进行分类,同时利用监督式自主学习微调方法对神经网络权重进行适时调整,从而保证信号分类的精度和质量。利用三个机构的经典数据库对该方法进行实验研究,并与目前两种最新的方法进行对比。实验结果证明,该方法在专家标记样本较少的情况下,仍能明显提高心电图数据分类的准确率,同时加快训练时的收敛速度。